CN104239856B - 基于Gabor特征和自适应线性回归的人脸识别方法 - Google Patents
基于Gabor特征和自适应线性回归的人脸识别方法 Download PDFInfo
- Publication number
- CN104239856B CN104239856B CN201410449411.9A CN201410449411A CN104239856B CN 104239856 B CN104239856 B CN 104239856B CN 201410449411 A CN201410449411 A CN 201410449411A CN 104239856 B CN104239856 B CN 104239856B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msubsup
- facial image
- msup
- msub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Image Processing (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
该发明公开了一种基于Gabor特征和自适应线性回归的人脸识别方法,属于计算机图像识别领域,特别是针对人脸的计算机图像识别技术。该方法需要待测人脸图像、人脸图像库和辅助人脸图像三部分样本图像;首先将待测人脸图像通过Gabor滤波器提取多尺度方向Gabor特征,再利用主成份分析降维方法对提取的高维特征向量进行降维,再将从通用辅助人脸图像中提取到的人脸变化特征与低维的Gabor人脸特征相结合建立自适应类模型,之后通过训练好的自适应线性回归分类器进行分类,从而得到待测人脸图像的所属的类。具有提高单样本条件下的人脸识别准确率的优点。
Description
技术领域
本发明属于计算机图像识别领域,特别是针对人脸的计算机图像识别技术。
背景技术
人脸识别是通过分析比较人脸特征来进行身份验证和鉴别的一种生物识别技术,由于其具有便捷,友好,非接触性等特点,近年来逐渐成为一个研究热点。
人脸识别方法主要分为两部分,人脸图像特征提取和分类识别。通过提取采集到的人脸图像特征,结合分类器与存储的已知身份的样本图像进行对比,从而鉴别出该人脸图像的身份。在实际的应用场景中,一方面采集到的人脸图像往往存在多种变化,例如,分辨率,光照变化,表情变化,遮挡等,这些变化在很大程度上影响了人脸识别***的精度;另一方面,采集到的人脸图像往往十分有限,有些情况下只有少数几张甚至一张人脸图像来作为已知身份的样本图像,这也增加了识别的难度。现有的技术方案利用Gabor小波变换对人脸图像进行特征提取(滤波),然后将提取到的特征向量利用Fisherface方法投影到一个低维高区分度的特征空间,再根据余弦相似度判据来进行判别和分类。Fisherface方法中所用到的变换矩阵需要使用样本图像预先进行训练得到。
现有技术的Fisherface方法中所用到的FLD(Fisher线性判据)技术需要大量的训练样本来得到更好的概括,而实际应用中往往只有很少的训练样本可以利用,有时甚至只有一个样本,在这种情况下,FLD对新的待识别数据的判别能力会变得很差。因此,在样本数量较少的情况下,现有技术对人脸图像的识别能力较弱。
发明内容
针对背景技术存在的问题和已有技术的不足,本专利提出一种基于Gabor特征和自适应线性回归的人脸识别方法,利用从辅助人脸图像中提取的通用人脸变化来扩充原始训练样本空间,从而可以提高单样本条件下的人脸识别准确率,并且对于不同的拍摄状态具有很好的鲁棒性。
本发明基于Gabor特征和自适应线性回归的人脸识别方法,该方法需要待测人脸图像、人脸图像库和辅助人脸图像三部分样本图像,其中人脸图像库包括多个人的正脸图像及其对应的一个或两个角度侧脸图像,辅助人脸图像库包括多个人脸在多种拍摄状态下的图像,如不同角度、不同表情、不同光照等,每类状态对应一类变化特征;首先将待测人脸图像通过Gabor滤波器提取多尺度方向Gabor特征,再利用PCA降维方法(主成份分析降维方法)对提取的高维特征向量进行降维,再将从通用辅助人脸图像中提取到的人脸变化特征与低维的Gabor人脸特征相结合建立自适应类模型,之后通过训练好的自适应线性回归分类器进行分类,从而得到待测人脸图像的所属的类。因此本发明方法包括:
步骤1:分别计算待测人脸图像y、人脸图像库T和辅助人脸图像G中所有人脸图像的36~45种Gabor特征,再对各人脸图像计算出的所有Gabor特征组合为Gabor特征向量,然后对各Gabor特征向量进行卷积,再进行降采样,得到与各样本人脸图像对应的像素较低的Gabor特征向量χ(y),χ(Ti)和
步骤2:采用主成份分析降维方法,对步骤1得到的低像素的Gabor特征向量进行降维处理,得到维度和像素都较低的Gabor特征向量X(y),X(Ti)和
步骤3:在辅助人脸图像中找出与待测人脸图像相似的人脸图像,提取出该人脸对应的各拍摄条件下拍摄的脸部图像,得到与待测人脸图像相似人脸的图像集;
步骤3-1:计算步骤2得到的中同一个人所有人脸图像的Gabor特征向量的均值向量mp;
步骤3-2:计算X(y)与mp的欧式距离lp:
lp=||X(y)-mp||2
步骤3-3:找出其中最小的lp,则其对应的同一人的所有脸部图像为与待测人脸图像相似的人脸图像集Gp。
步骤4:从Gp中找出与待测人脸图像最相似的变化特征;
步骤4-1:计算Gp中各类拍摄状态的所有人脸图像的均值向量
步骤4-2:计算待测人脸图像X(y)与的欧式距离;
步骤4-3:找出其中最小欧式距离对应的一类拍摄状态为与待测人脸图像最相似的变化特征;
步骤5:利用步骤4得到的变化特征提取出通用人脸变化特征;
步骤6:利用步骤5的通用人脸变化特征将X(Ti)中各人脸进行自适应变化;
步骤7:将X(y)与X(Ti)中各人脸自适应变化后的数据进行匹配,找到最匹配的元素对应的人脸即为与待测人脸图像最相似的人脸。
所述步骤1的具体步骤为:
步骤1-1:在方向μ和尺度ν上的Gabor核定义为:
其中z=(x,y)表示图像像素值,波矢量kν=kmax/fν,φμ=πμ/8。参数选取如下:μ={0,1,…,7},ν={0,1,…,4},kmax=π/2,σ=2π;
步骤1-2:假设原始图像表示为I(z),经过公式(1)得到Gabor核ψμν(z),再将原始图像与Gabor核进行卷积可以得到Gabor特征:
Oμν(z)=ψμν(z)*I(z) (2)
其中Oμν(z)表示对应于μ方向和ν尺度的Gabor核与原始图像的卷积输出,*表示卷积运算。
步骤1-3:将采样后的卷积输出转换成向量的形式,级联成一个向量,该向量即可用来表示一幅图像的Gabor特征向量:
所述步骤1中分别计算待测人脸图像y、人脸图像库T和辅助人脸图像G中所有人脸图像的40种Gabor特征,再对各人脸图像计算出的所有Gabor特征组合为Gabor特征向量,然后对各Gabor特征向量进行卷积,再进行降采样,得到与各样本人脸图像对应的像素较低的Gabor特征向量χ(y),χ(Ti)和
所述步骤2的具体步骤为:
步骤2-1:计算所有样本Gabor特征向量的均值:
步骤2-2:计算所有样本的协方差矩阵
步骤2-3:计算协方差矩阵C的特征值ei和对应的特征向量λi,将特征向量按对应的特征值从大到小降序排列,并取前m个特征向量构成主成分,即可得到投影矩阵:
P=[e1,e2,…,em],m<N;
步骤2-4:最后将高维的Gabor特征向量投影到低维空间:
X=PTχ(ρ)
低维向量包含了原高维Gabor特征向量的前m个主成分。
所述步骤5的具体步骤为:
步骤5-1:假设辅助人脸图像G包含有充足的人脸图像,样本集中每个人的人脸图像具有不同的变化特征,如表情变化,光照变化和遮挡等,每种变化都有若干副不同的图像与之对应。根据这些不同种类的变化特征,辅助人脸图像G可以被分成若干个子集,每个子集对应于一种变化特征:
其中Tp表示第p个人的人脸变化特征的类别数,表示第p个人的第t种人脸变化特征的人脸图像集:
其中pt表示该图像是属于G中第p个人的第t种人脸变化特征,St表示第t种变化特征的图像集中的人脸图像个数;
步骤5-2:利用已分类的辅助人脸图像G,可以提取通用人脸变化特征。对于G中第p个人的第t种人脸变化特征可以用对应于该变化的子集中的每幅人脸图像减去该子集中所有图像的均值来得到:
其中表示第p个人的第t种人脸变化特征对应的人脸图像子集的均值向量;
步骤5-3:提取通用人脸变化特征为:
所述步骤6的具体步骤为:
步骤6-1:待测人脸图像图像的自适应类模型可以表示为:
其中Ti表示第i个训练样本,Zi表示第i个训练样本对应的自适应类模型。
步骤6-2:对于一个待测人脸图像y,如果它属于第i个训练样本所表示的类别,则其Gabor特征向量X(y)可以用第i个训练样本对应的自适应类模型来线性表示:
X(y)=Ziβi,i=1,2,…,C
其中βi为表示系数向量,可以用最小二乘法来估计得到:
步骤6-3:待测人脸图像的估计图像向量可以用类模型和上述步骤得到的表示系数向量相乘得到:
步骤7的具体步骤为:
步骤7-1:对每个训练样本都进行上述步骤,可以得到待测人脸图像对应于每个训练样本的估计图像向量,再计算待测人脸图像的图像向量与每个估计图像向量之间的欧式距离:
步骤7-2:选择最小的距离所对应的类别,即为待测人脸图像所属的类别:
本发明基于Gabor特征和自适应线性回归的人脸识别方法,具有提高单样本条件下的人脸识别准确率、对不同拍摄状态有很好鲁棒性的优点。
附图说明
图1为本发明基于Gabor特征和自适应线性回归的人脸识别方法流程图。
具体实施方案:
1.Gabor特征提取
Gabor小波变换能够从多个方向和尺度捕捉图像的局部特征,因此应用在人脸图像时,提取到的人脸图像特征对由光照变化,表情变化,遮挡等引起的人脸变化有很好的鲁棒性。方向μ和尺度ν上的Gabor核定义如下:
其中z=(x,y)表示图像像素值,波矢量kν=kmax/fν,φμ=πμ/8。参数选取如下:μ={0,1,…,7},ν={0,1,…,4},kmax=π/2,σ=2π。
假设原始图像表示为I(z),经过公式(1)得到Gabor核ψμν(z),再将原始图像与Gabor核进行卷积可以得到Gabor特征:
Oμν(z)=ψμν(z)*I(z) (2)
其中Oμν(z)表示对应于μ方向和ν尺度的Gabor核与原始图像的卷积输出,*表示卷积运算。
将得到的40个卷积输出进行降采样,采样因子为ρ。一幅165×120的图像经过采样因子ρ=255的降采样后的大小为11×8像素。
将采样后的卷积输出转换成向量的形式,并级联成一个向量,该向量即可用来表示一幅图像的Gabor特征向量:
2.PCA降维
PCA(主成分分析)是一种常用的数据降维方法,通过计算数据集的主成分来将高维数据投影到低维空间。
计算所有样本Gabor特征向量的均值:
计算所有样本的协方差矩阵
计算协方差矩阵C的特征值ei和对应的特征向量λi,将特征向量按对应的特征值从大到小降序排列,并取前m个特征向量构成主成分,即可得到投影矩阵:
P=[e1,e2,…,em],m<N
最后将高维的Gabor特征向量投影到低维空间:
X=PTχ(ρ)
低维向量包含了原高维Gabor特征向量的前m个主成分,因此可以在较低的m维空间中充分地表示原始Gabor特征向量,从而达到降维的目的。
相比于另外一种常用于人脸识别的方法FLD(线性判别分析),PCA并没有考虑数据的类别信息,然而本技术仅使用PCA来进行数据降维,在此步骤中不需要考虑分类,因此PCA方法更加简单,高效。
3.提取通用人脸变化特征
本技术利用从辅助人脸图像中提取的通用人脸变化特征来扩充人脸图像库,以便对测试图像进行更好的线性拟合。
假设辅助人脸图像G包含有充足的人脸图像,样本集中每个人的人脸图像具有不同的变化特征,如表情变化,光照变化和遮挡等,每种变化都有若干副不同的图像与之对应。根据这些不同种类的变化特征,辅助人脸图像G可以被分成若干个子集,每个子集对应于一种变化特征:
其中Tp表示第p个人的人脸变化特征的类别数,表示第p个人的第t种人脸变化特征的人脸图像集:
其中pt表示该图像是属于G中第p个人的第t种人脸变化特征,St表示第t种变化特征的图像集中的人脸图像个数。
利用已分类的辅助人脸图像G,可以提取通用人脸变化特征。对于G中第p个人的第t种人脸变化特征可以用对应于该变化的子集中的每幅人脸图像减去该子集中所有图像的均值来得到:
其中表示第p个人的第t种人脸变化特征对应的人脸图像子集的均值向量。
4.建立自适应类模型
在利用线性回归对测试图像进行分类识别之前,需要为每个训练样本构建自适应类模型,即单个训练样本图像向量与人脸变化特征向量组成的集合Z。对于一个待测人脸图像y,与其对应的自适应类模型的构建方法如下:
a.根据步骤1,计算待测人脸图像y,人脸图像库T和辅助人脸图像G中所有人脸图像的Gabor特征向量χ(y),χ(Ti)和
b.根据步骤2,得到降维后的低维特征向量X(y),X(Ti)和
c.在辅助人脸图像G中找出y的最近邻,具体方法如下:
c1.计算G中每个人的所有人脸图像向量的均值向量mp
c2.计算测试图像向量X(y)与G中每个人的均值图像向量mp的欧式距离lp
lp=||X(y)-mp||2
c3.找出其中最小的距离所对应的p,即为测试图像在G中的最近邻
d.在最近邻的人脸图像集合Gp中找出与测试图像最相似的变化特征,具体方法与步骤c类似:
d1.计算Gp中每个子集中所有人脸图像的均值向量
d2.计算测试图像向量X(y)与每个子集的均值向量的欧式距离
d3.找出其中最小的距离所对应的子集st,该子集所代表的变化特征t与待测人脸图像所具有的变化特征最相似
e.由前一步骤得出的变化特征t,抽取辅助人脸图像G中所有人的具有特征t的子集St,根据步骤3,在St中提取通用人脸变化特征
f.待测人脸图像y的自适应类模型可以表示为:
其中Ti表示第i个训练样本,Zi表示第i个训练样本对应的自适应类模型。
5.线性回归分类器分类
线性回归是利用最小二乘函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析,通过估计模型的参数来达到对数据的拟合。线性回归分类器是将线性回归技术应用于数据分类,该分类器模型简单,计算复杂度低,应用于人脸识别可以取得很好的性能。
对于一个待测人脸图像y,如果它属于第i个训练样本所表示的类别,则其Gabor特征向量X(y)可以用第i个训练样本对应的自适应类模型来线性表示:
X(y)=Ziβi,i=1,2,…,C
其中βi为表示系数向量,可以用最小二乘法来估计得到:
待测人脸图像的估计图像向量可以用类模型和上述步骤得到的表示系数向量相乘得到:
对每个训练样本都进行上述步骤,可以得到待测人脸图像对应于每个训练样本的估计图像向量,再计算待测人脸图像的图像向量与每个估计图像向量之间的欧式距离:
选择最小的距离所对应的类别,即为待测人脸图像所属的类别:
Claims (7)
1.基于Gabor特征和自适应线性回归的人脸识别方法,该方法包括:
步骤1:分别计算待测人脸图像y、人脸图像库T和辅助人脸图像G中所有人脸图像的36~45种Gabor特征,再对各人脸图像计算出的所有Gabor特征组合为Gabor特征向量,然后对各Gabor特征向量进行卷积,再进行降采样,得到与各样本人脸图像对应的像素较低的Gabor特征向量χ(y),χ(Ti)和
步骤2:采用主成分分析降维方法,对步骤1得到的低像素的Gabor特征向量进行降维处理,得到维度和像素都较低的Gabor特征向量X(y),X(Ti)和
步骤3:在辅助人脸图像中找出与待测人脸图像相似的人脸图像,提取出该人脸对应的各拍摄条件下拍摄的脸部图像,得到与待测人脸图像相似人脸的图像集;
步骤3-1:计算步骤2得到的中同一个人所有人脸图像的Gabor特征向量的均值向量mp;
步骤3-2:计算X(y)与mp的欧式距离lp:
lp=||X(y)-mp||2;
步骤3-3:找出其中最小的lp,则其对应的同一人的所有脸部图像为与待测人脸图像相似的人脸图像集Gp;
步骤4:从Gp中找出与待测人脸图像最相似的变化特征;
步骤4-1:计算Gp中各类拍摄状态的所有人脸图像的均值向量
步骤4-2:计算待测人脸图像X(y)与的欧式距离;
步骤4-3:找出其中最小欧式距离对应的一类拍摄状态为与待测人脸图像最相似的变化特征;
步骤5:利用步骤4得到的变化特征提取出通用人脸变化特征;
步骤6:利用步骤5的通用人脸变化特征将X(Ti)中各人脸进行自适应变化;
步骤7:将X(y)与X(Ti)中各人脸自适应变化后的数据进行匹配,找到最匹配的元素对应的人脸即为与待测人脸图像最相似的人脸。
2.如权利要求1所述的基于Gabor特征和自适应线性回归的人脸识别方法,其特征在于所述步骤1的具体步骤为:
步骤1-1:在方向μ和尺度ν上的Gabor核定义为:
<mrow>
<msub>
<mi>&psi;</mi>
<mrow>
<mi>&mu;</mi>
<mi>v</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>k</mi>
<mrow>
<mi>&mu;</mi>
<mi>v</mi>
</mrow>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mfrac>
<msup>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>k</mi>
<mrow>
<mi>&mu;</mi>
<mi>v</mi>
</mrow>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>|</mo>
<mo>|</mo>
<mi>z</mi>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>/</mo>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
</msup>
<mo>&lsqb;</mo>
<msup>
<mi>e</mi>
<mrow>
<msub>
<mi>ik</mi>
<mrow>
<mi>&mu;</mi>
<mi>v</mi>
</mrow>
</msub>
<mi>z</mi>
</mrow>
</msup>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msup>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中z=(x,y)表示图像像素值,波矢量kν=kmax/fν,φμ=πμ/8,参数选取如下:μ={0,1,...,7},ν={0,1,...,4},kmax=π/2,σ=2π;
步骤1-2:假设原始图像表示为I(z),经过公式(1)得到Gabor核ψμν(z),再将原始图像与Gabor核进行卷积可以得到Gabor特征:
Oμν(z)=ψμν(z)*I(z) (2);
其中Oμν(z)表示对应于μ方向和ν尺度的Gabor核与原始图像的卷积输出,*表示卷积运算;
步骤1-3:将采样后的卷积输出转换成向量的形式,级联成一个向量,该向量即可用来表示一幅图像的Gabor特征向量:
<mrow>
<msup>
<mi>&chi;</mi>
<mrow>
<mo>(</mo>
<mi>&rho;</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>O</mi>
<mn>00</mn>
<msup>
<mrow>
<mo>(</mo>
<mi>&rho;</mi>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
</msubsup>
<msubsup>
<mi>O</mi>
<mn>01</mn>
<msup>
<mrow>
<mo>(</mo>
<mi>&rho;</mi>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
</msubsup>
<mo>...</mo>
<msubsup>
<mi>O</mi>
<mn>47</mn>
<msup>
<mrow>
<mo>(</mo>
<mi>&rho;</mi>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
</msubsup>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
3.如权利要求1所述的基于Gabor特征和自适应线性回归的人脸识别方法,其特征在于所述步骤1中分别计算待测人脸图像y、人脸图像库T和辅助人脸图像G中所有人脸图像的40种Gabor特征,再对各人脸图像计算出的所有Gabor特征组合为Gabor特征向量,然后对各Gabor特征向量进行卷积,再进行降采样,得到与各样本人脸图像对应的像素较低的Gabor特征向量χ(y),χ(Ti)和
4.如权利要求2所述的基于Gabor特征和自适应线性回归的人脸识别方法,其特征在于所述步骤2的具体步骤为:
步骤2-1:计算所有样本Gabor特征向量的均值:
<mrow>
<mover>
<msup>
<mi>&chi;</mi>
<mrow>
<mo>(</mo>
<mi>&rho;</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msubsup>
<mi>&chi;</mi>
<mi>i</mi>
<mrow>
<mo>(</mo>
<mi>&rho;</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>;</mo>
</mrow>
步骤2-2:计算所有样本的协方差矩阵
<mrow>
<mi>C</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&chi;</mi>
<mi>i</mi>
<mrow>
<mo>(</mo>
<mi>&rho;</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>-</mo>
<mover>
<msup>
<mi>&chi;</mi>
<mrow>
<mo>(</mo>
<mi>&rho;</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&chi;</mi>
<mi>i</mi>
<mrow>
<mo>(</mo>
<mi>&rho;</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>-</mo>
<mover>
<msup>
<mi>&chi;</mi>
<mrow>
<mo>(</mo>
<mi>&rho;</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
步骤2-3:计算协方差矩阵C的特征值ei和对应的特征向量λi,将特征向量按对应的特征值从大到小降序排列,并取前m个特征向量构成主成分,即可得到投影矩阵:
P=[e1,e2,...,em],m<N;
步骤2-4:最后将高维的Gabor特征向量投影到低维空间:
X=PTχ(ρ);
低维向量包含了原高维Gabor特征向量的前m个主成分。
5.如权利要求1所述的基于Gabor特征和自适应线性回归的人脸识别方法,其特征在于所述步骤5的具体步骤为:
步骤5-1:假设辅助人脸图像G包含有充足的人脸图像,样本集中每个人的人脸图像具有不同的变化特征,表情变化,光照变化和遮挡,每种变化都有若干幅不同的图像与之对应;根据这些不同种类的变化特征,辅助人脸图像G可以被分成若干个子集,每个子集对应于一种变化特征:
<mrow>
<msub>
<mi>G</mi>
<mi>p</mi>
</msub>
<mo>=</mo>
<mo>&lsqb;</mo>
<msubsup>
<mi>S</mi>
<mn>1</mn>
<mi>p</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>S</mi>
<mn>2</mn>
<mi>p</mi>
</msubsup>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msubsup>
<mi>S</mi>
<msub>
<mi>T</mi>
<mi>p</mi>
</msub>
<mi>p</mi>
</msubsup>
<mo>&rsqb;</mo>
<mo>;</mo>
</mrow>
其中Tp表示第p个人的人脸变化特征的类别数,表示第p个人的第t种人脸变化特征的人脸图像集:
<mrow>
<msubsup>
<mi>S</mi>
<mi>t</mi>
<mi>p</mi>
</msubsup>
<mo>=</mo>
<mo>&lsqb;</mo>
<msubsup>
<mi>g</mi>
<mn>1</mn>
<msub>
<mi>p</mi>
<mi>t</mi>
</msub>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>g</mi>
<mn>2</mn>
<msub>
<mi>p</mi>
<mi>t</mi>
</msub>
</msubsup>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msubsup>
<mi>g</mi>
<msub>
<mi>s</mi>
<mi>t</mi>
</msub>
<msub>
<mi>p</mi>
<mi>t</mi>
</msub>
</msubsup>
<mo>&rsqb;</mo>
<mo>;</mo>
</mrow>
其中pt表示该图像是属于G中第p个人的第t种人脸变化特征,St表示第t种变化特征的图像集中的人脸图像个数;
步骤5-2:利用已分类的辅助人脸图像G,可以提取通用人脸变化特征;对于G中第p个人的第t种人脸变化特征Vt p,可以用对应于该变化的子集中的每幅人脸图像减去该子集中所有图像的均值来得到:
<mrow>
<msubsup>
<mi>V</mi>
<mi>t</mi>
<mi>p</mi>
</msubsup>
<mo>=</mo>
<mo>&lsqb;</mo>
<msubsup>
<mi>g</mi>
<mn>1</mn>
<msub>
<mi>p</mi>
<mi>t</mi>
</msub>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>m</mi>
<mi>t</mi>
<mi>p</mi>
</msubsup>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msubsup>
<mi>g</mi>
<msub>
<mi>s</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>-</mo>
<msub>
<mi>p</mi>
<mi>t</mi>
</msub>
</mrow>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>m</mi>
<mi>t</mi>
<mi>p</mi>
</msubsup>
<mo>&rsqb;</mo>
<mo>;</mo>
</mrow>
其中表示第p个人的第t种人脸变化特征对应的人脸图像子集的均值向量;
步骤5-3:提取通用人脸变化特征为:
6.如权利要求5所述的基于Gabor特征和自适应线性回归的人脸识别方法,其特征在于所述步骤6的具体步骤为:
步骤6-1:待测人脸图像图像的自适应类模型可以表示为:
<mrow>
<msub>
<mi>Z</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mo>&lsqb;</mo>
<msub>
<mi>T</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msubsup>
<mi>V</mi>
<mi>t</mi>
<mn>1</mn>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>V</mi>
<mi>t</mi>
<mn>2</mn>
</msubsup>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msubsup>
<mi>V</mi>
<mi>t</mi>
<mi>k</mi>
</msubsup>
<mo>&rsqb;</mo>
</mrow>
其中Ti表示第i个训练样本,Zi表示第i个训练样本对应的自适应类模型;
步骤6-2:对于一个待测人脸图像y,如果它属于第i个训练样本所表示的类别,则其Gabor特征向量X(y)可以用第i个训练样本对应的自适应类模型来线性表示:
X(y)=Ziβi,i=1,2,...,C
其中βi为表示系数向量,可以用最小二乘法来估计得到:
<mrow>
<msub>
<mi>&beta;</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>Z</mi>
<mi>i</mi>
<mi>T</mi>
</msubsup>
<msub>
<mi>Z</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<msubsup>
<mi>Z</mi>
<mi>i</mi>
<mi>T</mi>
</msubsup>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
步骤6-3:待测人脸图像的估计图像向量可以用类模型和上述步骤得到的表示系数向量相乘得到:
X(yi)=Ziβi,i=1,2,...,C。
7.如权利要求6所述的基于Gabor特征和自适应线性回归的人脸识别方法,其特征在于步骤7的具体步骤为:
步骤7-1:对每个训练样本都进行上述步骤,可以得到待测人脸图像对应于每个训练样本的估计图像向量,再计算待测人脸图像的图像向量与每个估计图像向量之间的欧式距离:
di=||X(y)-X(yi)||2,i=1,2,...,C
步骤7-2:选择最小的距离所对应的类别,即为待测人脸图像所属的类别:
<mrow>
<mi>I</mi>
<mo>=</mo>
<mi>arg</mi>
<munder>
<mi>min</mi>
<mi>i</mi>
</munder>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>C</mi>
<mo>.</mo>
</mrow>
3
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410449411.9A CN104239856B (zh) | 2014-09-04 | 2014-09-04 | 基于Gabor特征和自适应线性回归的人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410449411.9A CN104239856B (zh) | 2014-09-04 | 2014-09-04 | 基于Gabor特征和自适应线性回归的人脸识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104239856A CN104239856A (zh) | 2014-12-24 |
CN104239856B true CN104239856B (zh) | 2017-10-17 |
Family
ID=52227882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410449411.9A Expired - Fee Related CN104239856B (zh) | 2014-09-04 | 2014-09-04 | 基于Gabor特征和自适应线性回归的人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104239856B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106980833A (zh) * | 2017-03-22 | 2017-07-25 | 重庆科技学院 | 基于多元线性回归联想记忆人脸识别的方法 |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463234B (zh) * | 2015-01-04 | 2017-10-27 | 深圳信息职业技术学院 | 人脸识别方法 |
CN105117708A (zh) * | 2015-09-08 | 2015-12-02 | 北京天诚盛业科技有限公司 | 人脸表情识别的方法和装置 |
CN105488461A (zh) * | 2015-11-24 | 2016-04-13 | 苏州铭冠软件科技有限公司 | 基于Gabor特征的人脸检测方法 |
CN105488486B (zh) * | 2015-12-07 | 2018-10-30 | 清华大学 | 防止照片攻击的人脸识别方法及装置 |
CN105868716B (zh) * | 2016-03-29 | 2019-08-13 | 中国科学院上海高等研究院 | 一种基于面部几何特征的人脸识别方法 |
CN106778522B (zh) * | 2016-11-25 | 2020-08-04 | 江南大学 | 一种基于Gabor特征提取和空间变换的单样本人脸识别方法 |
CN110334720A (zh) * | 2018-03-30 | 2019-10-15 | 百度在线网络技术(北京)有限公司 | 业务数据的特征提取方法、装置、服务器和存储介质 |
CN109063558A (zh) * | 2018-06-27 | 2018-12-21 | 努比亚技术有限公司 | 一种图像分类处理方法、移动终端及计算机可读存储介质 |
WO2021097776A1 (zh) * | 2019-11-21 | 2021-05-27 | 苏州铭冠软件科技有限公司 | 基于Gabor特征的人脸检测方法 |
CN111313864B (zh) * | 2020-02-12 | 2023-04-18 | 电子科技大学 | 一种改进的步长组合仿射投影滤波方法 |
CN112712066B (zh) * | 2021-01-19 | 2023-02-28 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置、计算机设备和存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101276408A (zh) * | 2008-04-24 | 2008-10-01 | 长春供电公司 | 一种基于电力***网络安全访问的人脸识别方法 |
-
2014
- 2014-09-04 CN CN201410449411.9A patent/CN104239856B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101276408A (zh) * | 2008-04-24 | 2008-10-01 | 长春供电公司 | 一种基于电力***网络安全访问的人脸识别方法 |
Non-Patent Citations (2)
Title |
---|
《Statistical Appearance Models for Automatic Pose Invariant Face Recognition》;M.Saquib Sarfraz el at.;《IEEE》;20081231;正文第1-6页 * |
《频域光照归一化的人脸识别》;琚生根等;《电子科技大学学报》;20091130;第38卷(第6期);正文第1021-1026页 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106980833A (zh) * | 2017-03-22 | 2017-07-25 | 重庆科技学院 | 基于多元线性回归联想记忆人脸识别的方法 |
CN106980833B (zh) * | 2017-03-22 | 2020-12-04 | 重庆科技学院 | 基于多元线性回归联想记忆人脸识别的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104239856A (zh) | 2014-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104239856B (zh) | 基于Gabor特征和自适应线性回归的人脸识别方法 | |
Guo et al. | Action recognition using sparse representation on covariance manifolds of optical flow | |
CN103116763B (zh) | 一种基于hsv颜色空间统计特征的活体人脸检测方法 | |
US8391613B2 (en) | Statistical online character recognition | |
Bristow et al. | Why do linear SVMs trained on HOG features perform so well? | |
CN109902590A (zh) | 深度多视图特征距离学习的行人重识别方法 | |
CN103839042B (zh) | 人脸识别方法和人脸识别*** | |
CN106548149A (zh) | 监控视频序列中人脸微表情图像序列的识别方法 | |
CN101958000B (zh) | 基于稀疏表示的人脸画像-照片生成方法 | |
Shobeirinejad et al. | Gender classification using interlaced derivative patterns | |
Ylioinas et al. | Efficient image appearance description using dense sampling based local binary patterns | |
CN108038501B (zh) | 基于多模态压缩双线性池化的高光谱图像分类方法 | |
CN102930533A (zh) | 一种基于改进k-均值聚类的半监督高光谱影像降维方法 | |
CN110647820B (zh) | 基于特征空间超分辨映射的低分辨率人脸识别方法 | |
CN104951793A (zh) | 一种基于stdf特征的人体行为识别算法 | |
CN109002770B (zh) | 一种低分辨率条件下的人脸识别方法 | |
CN105893952A (zh) | 基于pca方法的手写签名识别方法 | |
Sisodia et al. | ISVM for face recognition | |
CN103839066A (zh) | 一种源于生物视觉的特征提取方法 | |
CN103714340A (zh) | 基于图像分块的自适应特征提取方法 | |
Umakanthan et al. | Spatio temporal feature evaluation for action recognition | |
CN101877065A (zh) | 小样本条件下的人脸图像非线性鉴别特征抽取和识别方法 | |
CN103268494A (zh) | 基于稀疏表示的寄生虫虫卵识别方法 | |
CN105975940A (zh) | 一种基于稀疏双向二维局部判别投影的掌纹图像识别方法 | |
CN101216878A (zh) | 基于广义非线性判别分析的人脸识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171017 Termination date: 20200904 |